114: 秘塔闵可锐2：“我不是演员”

摘要

• “今天学点啥”虽被冯骥称为“迄今为止用过的用户界面最好的 AI 工具”，闵可锐却只给当前版本 70 分。 他认为产品可能是第一个把原始材料、讲稿、幻灯片、图示与课程呈现端到端串起来的产品，但界面、文稿质量、美观度和功能丰富度仍有大量提升空间。意外出现的 K12 需求主要卡在产品流程而非模型能力，团队已准备加入试卷讲解；曼琪设想它有可能生成超过多数老师水平的课程，但这不是闵可锐的明确承诺。

• 秘塔的产品方法不是系统调研，而是创始人用技术判断压缩决策周期，再从执行细节里寻找下一个产品。 闵可锐称“80%以上的产品策略决策，都是我拍脑袋做的”；大厂需要调研、评审、技术论证与排期，他可能在十分钟内完成。“今天学点啥”则来自一个反总结判断：AI 搜索的 300—800 字回答适合精确的事实核查，却会丢掉深度材料的价值，真正的机会是帮助用户吸收那份 100 页材料，而非继续压缩它。

• 闵可锐认为 2025 年上半年的通用 Agent 仍未跨过可靠性交付线，热闹的 demo 不能替代成功率。 他的估算是，2023 年 100 个任务也许只有 3 个能 work，2025 年可能提升到 30 个，但用户期待的是至少 95 个成功且达到预期；垂直 Agent 只有在单点结果足够值钱时成立。中国 B 端更可能成立的路径不是“辅助提效”，而是“纯粹意义上的替代”，例如把部分网约所案件端到端自动化，理论上可能达到传统律师效率的 100 倍。

• 秘塔 2025 年把权重从用户调向收入，因为它预判腾讯、阿里、字节都会在 AI To C 牌桌上投入至少数十亿元。 闵可锐到 2024 年底的判断是：腾讯元宝 2025 年大概率会投入 50 亿元，阿里可能不低于 50 亿元，字节显然也会不低于 50 亿元。秘塔 AI 搜索已接近 100 万日活，但通用搜索天然被视为免费服务，付费尚不能覆盖推理成本；曼琪举例认为，“今天学点啥”在海外可能用几万订阅用户形成 100 万美元月经常性收入。闵可锐的底层原则是：“首先得有能力存活下来。”

• 闵可锐拒绝用融资规模替代经营证明，因为“我不是一个好的演员”，也无法解释为什么一些“很拙劣的故事”会被投资人 buy in。 秘塔在 2023 年热潮后只新融过一亿多元人民币，也拒绝了 2024 年的一些收购机会；他的极端下行算法是，把搜索的数据、架构和工程储备“当废铁卖”，还完投资人的钱仍有盈余，而拿到 7500 万美元后这条安全线反而未必守得住。

• 应用公司的危险边界不是某项 feature，而是“主要依靠大模型能力、偏纯软件交付、又有潜力做到 1000 万 DAU”。 闵可锐判断，这类方向模型公司和大公司都会有兴趣，创业公司只能把壁垒建在销售、服务、专业流程等其他地方，并持续寻找下一个产品；秘塔的处境是“我们摸着石头过河，大厂摸着我们过河”。

• 闵可锐把 DeepSeek 的优势归于人才组织、量化工程基因与“一号位”的品味，而不是神话般的低成本。 557 万美元只是最后一次训练的 GPU hours 成本，总投入“可能还要加两个零”；量化工程师会把 0.1 毫秒直接换算成 1000 万美元，因此能把硬件与工程优化推到互联网团队很少触及的深度。他认为 DeepSeek 可以把追求 AGI 视作“消费”而非投资，并因中美博弈获得不必承诺收益回报的其他资源。

• 秘塔的技术护城河是一个随模型进展动态重组的系统，而非押注单一自研或外部模型。 除接入 DeepSeek 外，闵可锐称秘塔此前的模型都由自己训练；实际架构可能不止四个模型，并以偏科模型换取 10 倍速度或成本差。公司约 60 人，闵可锐同时带产品和研发、参与模型训练、画 UI 草图并把项目拆成 100 份任务——这种创始人杠杆让决策很快，也构成最明显的组织瓶颈。

精读

1. “今天学点啥”跑通了端到端，但闵可锐只给 70 分

• 冯骥在没有任何私交的情况下主动发文，称它是自己“迄今为止用过的用户界面最好的 AI 工具”，并第一次让他清晰看到 AI 改变教育的可行性。

• 闵可锐认为这个评价“有点过誉”：现版本最多 70 分，界面、讲稿质量、幻灯片美观度和功能丰富度都有“大量可以优化和打磨的空间”。

• 他认可的突破不是局部 feature，而是可能成为第一个把材料处理、课程组织、视觉呈现和讲解完整串起来的产品，最终呈现出的内容和感觉“还不错”。

2. 家长把成人学习工具推向了 K12 讲题

• 产品原本面向成年人和终身学习：用户先找到相关素材，秘塔再把它重构成更友好的课程，并按用户喜欢的风格讲出来。

• 上线后，不止一位家长希望上传试卷，让 AI 先给出答案，再梳理重点、难点和知识点，真正教会孩子；这超出了最初定义，却让团队意识到一个直接需求。

• 闵可锐的判断是，K12 知识范围很大程度上并未超出现有模型上限，主要缺口是把整套讲题流程串成良好体验。

• 团队因此已经准备升级，闵可锐预计快的话下周上线；他笑称，听众若把它当商业机会，节目播出时“可能已经晚了”。

3. 软件形态试图绕开学习机的价格与体验约束

• 闵可锐观察到，教育大厂常把 AI 能力装进几千元的学习机、学练机中收费，而不是把同样的服务单独做成纯软件。

• 他的反对理由有两层：硬件价格限制了能够使用这项服务的人，专用学习设备的算力、动效和画面质感又很难匹配最好的手机与 PC。

• 曼琪设想，用户可以上传一张试卷，让产品生成一小时课程，从头讲到尾，教师水平基本在线，甚至可能超过多数老师；这属于主持人的场景判断，并非闵可锐对最终效果的承诺。

• 闵可锐没有把未来说死，认为三至六个月后究竟是教育产品还是内容平台，现在判断仍太早。

4. “今天学点啥”来自 AI 搜索无法解决的长内容问题

• 秘塔过去一年多做搜索时发现，AI 把信息获取变得更容易，但典型回答只是 300—800 字的“小作文”；对精确的事实核查可能足够，对宽泛主题却远远不够。

• 面对后一类需求，搜索更应该推荐相关 PDF、论文或原文；即使上下文长达 100 页，也可能是用户真正值得学习的材料。

• “今天学点啥”的起点不是某天灵光一现。秘塔此前做文库、学术等产品，已经形成一个判断：原始素材本身有很高价值，问题在于普通人难以消化。

5. 秘塔选择反着做总结：少压缩，多帮助吸收

• 闵可锐估计，ChatGPT 发布约一年后，市面上可能出现过超过 100 个音频、视频、播客和公众号总结产品；很多平台也把总结作为功能加入。

• 他的核心异议是信息损失“可能非常大”：不同读者关注点不同，真正有价值的深层信息往往不是摘要能够提取出来的。

• 他以《百年孤独》为例：读者可能到第 50 页已分不清人物；论文又默认读者掌握前置知识，并遵守学术行文。秘塔要做的不是把 800 页再缩短，而是降低进入原作的门槛。

6. 好课程需要补足专家省略的那一层知识

• 王与桐把 2023 年访谈导入产品后，课程会即时生成 Transformer、BERT、RNN 以及 encoder、decoder 的结构图；这些并非原对话中的完整讲解，也不是预制素材。

• 闵可锐认为“行业最牛的人”未必适合讲课，因为他离普通人太远，会默认大量知识已经被理解；生成课程反而要主动补注解、比喻和类比。

• 典型补充是：LSTM 需一步接一步处理，后一步依赖前一步，因此执行较慢；Transformer 更适合并行。这样的背景信息才会显著降低理解门槛。

7. 产品决策被压缩在创始人的十分钟里

• 外界以为秘塔既然“产品导向”，背后必有强大产品团队；闵可锐的纠正是：“80%以上的产品策略决策，都是我拍脑袋做的。”

• 他会看大量反馈，却越来越少正式访谈或调研。重复出现的需求如果不成立仍不会做；零星反馈如果能让他自洽地推导出重要性，他会立刻提高优先级。

• 在大厂，产品经理需拿调研数据证明问题、开评审会、做技术可行性讨论再排期；闵可锐会试图把整套流程压进“十分钟的考虑周期”。

• 这套方法更适合面向用户的产品。对于专业或 B 端场景，他承认必须深入理解具体群体，而直接询问“需不需要”往往会得到“需要”，沟通未必有效。

8. 秘塔没有因为 Agent 热门就先做 Agent

• 闵可锐的反问很直接：“难道不应该去做市场上有价值、但是大家没做的事儿吗？为什么要去做一个大家都去做的事儿呢？”

• 秘塔 AI 搜索在 2024 年 12 月底 立项时，国内还没有多少人把搜索视为主赛道；“今天学点啥”同样源于自己的问题链，而非跟随融资热点。

• 对 Agent，他没有形成“哪个方向会特别好”的直觉。需求想象并不稀缺，真正稀缺的是模型到了什么阶段，能让绝大多数人承认产品 work。

9. 通用 Agent 的成功率从 3% 升至 30%，仍不是 95%

• 闵可锐试用 2023 年的 AutoGPT 约 15 分钟便判断“现在不会 work”，尽管它当时可能在一周内已在 GitHub 获得数万个 star。

• 他的粗略刻度是：2023 年 100 个任务里或许只有 3 个能完成，2025 年可能有 30 个表现不错；进步显著，却仍未达到用户期待的至少 95 个成功且达到预期。

• 他把“我有一台电脑，想挣 1 亿美元，请给方案”视为把 Agent 当阿拉丁神灯。合理任务与纯粹许愿之间的边界，正是“通用”最难定义之处。

10. 垂直 Agent 只有交付结果时才可能成立

• 如果 20 个任务中有 2 个是法律相关任务，例如合同审查，专门团队仍可放弃其余能力，把单点优化到足够有价值。

• 闵可锐对中国法律工具得出的悲观结论是：仅“辅助律师提升效率”没有机会，投入产出不匹配；B 端真正可能成立的是“纯粹意义上的替代”。

• 秘塔曾严肃研究网约所：律所从抖音、快手投放获得大量案源，其中一部分案件理论上可以端到端自动化，效率理论上可能达到传统律师的 100 倍。

• 项目最终没有推进，因为秘塔不擅长前端获客；若与第三方合作，又可能折在双方不理解彼此需求。曼琪据此判断，真要成立，可能得自己做一家律所。

11. 中国专业市场太小，逼着秘塔从垂直到通用

• 秘塔 2018 年创业时先做法律翻译，直接服务律所；随后写作猫扩大到写作者，AI 搜索和“今天学点啥”则进一步走向泛 C 端。

• 闵可锐坦言，核心原因是中国 To B、To Professional 市场规模太小、付费困难；过去几年律所业务下滑，也直接冲击了原有客户。

• 若在美国的平行世界，秘塔可能继续深耕专业服务：当地法律产品有机会做到 1 亿美元年收入，Harvey 等公司的发展也显示了这种市场可能性。

12. 产品选择首先服从“公司能活下来”

• 闵可锐把国内产品的目标简化为用户或收入，“两个你总得奔着一个去”；收入的第一层意义不是利润最大化，而是独立存活。

• 七年间许多曾名噪一时的公司已经消失或大幅收缩，秘塔因此一直重视真实用户、付费和现金流，而非只靠下一轮融资。

• 他并不要求每个产品同时拿到两项指标。曼琪举例说，有的产品可能只需几万订阅用户、依靠较好的付费率和交付能力，就有机会形成 100 万美元月经常性收入；这是对产品取舍的假设性说明。

13. 长期价值比两周爆红更符合秘塔的下注方式

• 闵可锐不愿投入三至六个月，只换来两周传播高峰；AI 滤镜、对口型和“小咖秀式”玩法更像流行，而流行会快速达到波峰后回落。

• 搜索变得更好、教学门槛变得更低，则可能持续创造价值。产品不必 go viral，但最好让用户在热度消退后仍有理由继续使用。

• 传播也很难控制：DeepSeek 模型做得好是团队能够控制的，后来获得全民知名度却不可预判。秘塔有时会投预算，但无法和头部公司的传播资源相比。

• 闵可锐估计，元宝这样的巨头一天可能投入几千万元；微信九宫格等内部资源甚至难以定价，可能相当于秘塔一整年的预算。

14. 应用驱动让模型研发接受“偏科”

• 闵可锐在 2023 年就明确选择应用驱动：没有应用牵引，模型团队容易变成“什么都懂”，却把所有方向做到不够可用。

• 模型竞争又是一个很平的世界。代码模型不会只在“中国榜单”里比较，而会直接面对 Claude 3.7；永远比头部差一点，很难形成产品理由。

• 秘塔因此不追求语文、数学、代码全满的“六边形战士”，而允许模型围绕自己的用户任务偏科，以换取速度和成本优势。

15. DeepSeek 的人才策略“本来就应该这样”

• 闵可锐说自己第一次看到 DeepSeek 的人才组织方式，就觉得“这不本来就应该这样吗”；后来大厂倒推成功原因再模仿，反而令他觉得尴尬。

• 曼琪追问秘塔为何不这样组织，他给出的答案没有包装：“因为我没钱。我有钱我也会这么干。”DeepSeek 一个人的研发成本，可能相当于秘塔十个人甚至更多。

• 他欣赏梁文锋的“品味”：聪明人面对同样绝顶聪明的对手，不应幻想同时兼顾八个产品和两条研发线，而应压住一个大机会，把资源集中起来做到最好，哪怕牺牲产品和部分用户。

16. DeepSeek 可以把 AGI 当消费，而不是先算回报

• 对“DeepSeek 长期如何产生商业价值”，闵可锐反问：“它为什么一定要产生商业价值？”足够有钱的人可以把追求 AGI 视为消费，就像购买豪车。

• 这也解释了他眼中 DeepSeek 与阿里、腾讯、字节的差别：后三者虽然拥有更多人才、卡和资金，却不像 DeepSeek 那样可以单纯把追求 AGI 当作消费来做。

• DeepSeek 进入中美博弈后，资源条件又发生变化。闵可锐判断，它能从其他渠道拿到更多资金，而且不需要承诺收益性质的回报。

17. 阿里没有被 DeepSeek 拉开鸿沟，字节的问题在组织

• 闵可锐认为，阿里和 DeepSeek 的差距更像 A 与 A-，不存在巨大鸿沟；他相信阿里内部在 R1 出现前大概率已经有团队用强化学习、生产更好的数据并研究推理。

• 阿里吃亏的可能是缺少一次全民传播契机，而非完全跟随；开源模型则让应用方可以拿来学习和调优，并强调自主可控。

• 对字节，他认为人才密度和资源没有问题，但“以它花的钱来讲”结果不算 A 级；强人能否发挥，极度依赖一号位如何配置核心资源。

• 他发朋友圈评价 Llama 4 时写道：“一流的资源、二流的团队，干不过二流资源、一流的团队。”人才履历强，不等于组织能让这些人形成合力。

18. 量化工程基因把 0.1 毫秒变成可计算的钱

• 闵可锐认为量化工程师会把硬件利用压榨到极致，因为“0.1 毫秒就意味着 1000 万美元”。

• 普通互联网工程师未必知道读一次磁盘文件需要多少毫秒，或简单 for 循环每秒能执行多少次；量化工程师对这些数量级则非常清楚。

• DeepSeek 论文中细密的工程创新因此并非偶然。梁文锋即使不是传统意义上拥有长期 AI 研究经历的人，也来自工程实践与优化经验非常强的群体；曼琪补充说，团队后来又加入了算法和数学能力强的人，形成组合。

19. “我不是演员”决定了秘塔的融资节奏

• 闵可锐说自己“哪怕讲真话人家都不相信”，更无法编一个自己不信的故事；他会预先质疑其中的漏洞，也知道自己面对追问可能答不上来。

• 他不理解为何一些“看似很拙劣的故事”会被广泛 buy in，更把握不住怎样让一个有问题的故事被市场接受：“这超出了我的能力边界，就干不了这个活。”

• AI 一级市场又会每两三个月发生 180 度反转：故事刚得到认可，尽调尚未结束，投资人的心态已经翻面。即便愿意表演，操作难度也很高。

20. 多拿钱不是免费期权，它会改变公司的约束

• 秘塔在 2023 年热潮后只披露过一次一亿多元人民币融资。闵可锐说当时多拿一些钱应该没有问题，但资金不足以和头部公司 PK 同一个模型，做应用又未必需要先投入那么多。

• 他不接受“账上五亿元就先花四亿元，剩一亿元再收缩”的逻辑；额外融资带来稀释，也会把不同投资人的偏好引入产品方向。

• 有人要求 C 端更激进，有人希望 B 端更扎实。投资人越多，越难形成统一预期；面对不确定市场，闵可锐更愿意先用用户和收入完成 bootstrap。

21. 拒绝收购，是因为下行价值仍守得住

• 2024 年有人谈投资，也有人提出换股、合并或直接收购；闵可锐拒绝的理由是“太早了”，而不是报价一定不够。

• 他的逻辑是，秘塔估值不高，只要产品继续做得不错，未来仍会是收购标的，“不用太着急，还没到人家买不起你的时候”。

• 最悲观的算法是把搜索的数据、架构和工程储备“当废铁卖”，偿还所有投资人的钱后还能略有盈余；拿到 7500 万美元后，这条安全线反而可能消失。

• 上限则没有答案。秘塔要么成为拥有广泛用户和优秀产品的公司，要么建立像大疆那样不能靠几亿美元直接抄出的技术壁垒；闵可锐并不试图总结使命、愿景和终点。

22. “今天学点啥”比搜索更适合承担海外收入

• 秘塔正在考虑让“今天学点啥”出海。通用搜索即使在付费习惯更好的美国，也往往被视作免费服务，闵可锐不认为出海后收入会立刻成立。

• 曼琪举例认为，学习产品的交付价值更集中，欧美几万订阅用户就可能支撑 100 万美元月经常性收入；这是对商业规模的假设，闵可锐只明确说该产品更适合出海。

• 团队暂时没有把人员迁到海外的计划。秘塔 AI 搜索已接近 100 万日活，2024 年受投资人期待影响更偏用户规模，2025 年则准备把权重更多调向收入。

23. 三家巨头各押 50 亿元后，小公司不再争前三

• 闵可锐在 2024 年底已经判断，2025 年的对手不再是百亿到几百亿元市值公司，而是千亿、万亿级企业：腾讯元宝大概率会投入 50 亿元，阿里可能不低于 50 亿元，字节显然也会不低于 50 亿元。

• 一旦资源雄厚的玩家基本锁定前三名，秘塔的问题就从“能否冲到千万日活”变成：继续争取 100 万至 200 万日活，还是先解决收入与生存。

• 意外变量是 DeepSeek 冲到榜首，而且在访谈时仍是第一。闵可锐不会安慰自己“大厂也许不这么做”，而是坚持认为最坏的事情一定会发生。

24. 写作猫展示了模型如何吞掉应用 feature

• 写作猫在 2022 年 10 月左右发布 AI 写作功能，约两周后 ChatGPT 发布，11 月底正式上线；本可用于积累资源的窗口非常短。

• AI 写作随后成为各大免费模型的标配，写作猫更长期的价值转向检查、校对等辅助能力；订阅使用相对平稳，但闵可锐表示需要回去查具体数据，且使用量受毕业论文与考试季影响明显。

• 闵可锐拒绝给模型与应用画一条永久边界。他只提供一个逐案判断原则：新模型发布后，产品究竟会获得更多用户，还是失去更多用户。

25. 1000 万 DAU 会把应用送进模型公司的狩猎场

• 闵可锐提出一条更直接的边界：只要某项较为通用的模型能力有机会支撑一个 1000 万 DAU 的应用，模型公司都会有兴趣。

• 若产品同时具备大用户基数、线上交付和严重依赖基础模型三项特征，创业公司很难解释为什么模型公司不会自己做；在他看来，这是“客观预测，不是悲观预测”。

• 可防守的价值必须落在别处，例如长销售链条、专业服务或独有流程，而不是仅靠最轻量的模型封装获取最多用户。

• 对 Manus，闵可锐看重的是团队“身段非常灵活、没有包袱”。相比带着大厂或明星光环出现的团队，它更容易调整方向，不必承受“放弃信仰”的质问。

26. 市场会把 Jasper 从神坛直接推到“已死”

• 闵可锐以 Jasper 说明舆论摆动：它从被追捧到估值下调、裁员，再到“所有人都来踩上两脚”，中间可能只有一年。

• 但按他的记忆，Jasper 到 2025 年仍有约 1 亿美元 ARR；一家成立 3 年的公司做到这一规模，已经是 99.99% 的创业公司无法企及的成绩。

• 他的结论不是 Jasper 没有受冲击，而是市场常在三个月内从一个极端走向另一个极端，最后两个极端判断都可能是错的。

27. DeepSeek 的 557 万美元不是完整成本

• 闵可锐认为最常见的误解是“DeepSeek 很便宜”。557 万美元只是最后一次训练的 GPU hours 成本，不代表没有长期研发投入。

• 他估计完整投入“可能还要加两个零”；DeepSeek 本就是中国最有钱、人才储备最丰富的一类公司，并未证明“没钱也能做好大模型”。

• 关于秘塔的相反误解则是“接了某个模型”。闵可锐称，除了这次接入 DeepSeek 外，秘塔此前使用的模型都由自己训练，只是没有包装成 API 对外销售。

28. 秘塔的模型架构不是“大模型加小模型”两块拼接

• 对外所说的“DeepSeek、R1 负责深度推理，秘塔自研 LLM 负责搜索与整合”只是刻意简化；实际系统可能不止两个、三个，甚至不止四个模型。

• 架构会随新模型、新开源能力与业务状态不断调整。闵可锐不信奉一条固定路线，而是持续根据能拿到的最新资源和信息调整。

• 自研价值来自允许模型偏科：牺牲不相关能力，若能换来 10 倍速度或成本差，就可能在应用竞争中形成实质优势。

• 下一代模型若抹平差距，秘塔要做的不是守旧壁垒，而是在新周期里尽快找到“最值得做的事情”，再把它优化到最好。

29. 模型能力是线性积累，外界感知却像阶梯

• 闵可锐转述一位模型领域一线负责人的看法：过去两年内部能力提升更像线性过程，外界只在版本 release 时看到阶梯，因为团队同时优化了许多事情。

• 他认为 o1 是实质突破，但主要让数学、逻辑等相对容易验证的任务斜率变陡；推理生成的数据又能反哺基础模型的快思考能力。

• Anthropic 等公司也讨论过，不必把推理模型和非推理模型严格分开。最好的模型很可能吸收各家长处，而不是永久分成两条路线。

30. “有没有智能”不如“能不能做对”容易验证

• 曼琪转述马毅关于模型会做训练过的奥数题、却可能做错小学题的反例：如果真正理解数学，能力似乎不应如此倒挂。

• 闵可锐的回应是，推理和智能本身都很难定义；人类也可能在三步指令中做错，不能因此简单断言“没有智能”。

• 他用数学家解小学题作类比：数学家可能不会鸡兔同笼的技巧，却能列方程或求积分得到答案。不同路径的表现，不足以单独证明理解存在或不存在。

• 曼琪认为普通人从 GPT-4 之后越来越难感知文字能力提升，GPT-4o 等多模态进展更直观；王与桐则举例说，模型在多轮模糊语境中主动补充表格、图示，属于更渐进的变化。

31. Benchmark 能被刷高，却未必对应真实使用

• 闵可锐认为，只要任务可以衡量，团队总能从数据和算法侧设计方法继续提高分数；问题是这个 benchmark 是否恰好对应真实需求。

• 他看到很多人比较 o3 和 o1 时，测试更像寻找模型破绽、证明“我还比它强”，而不是寻找双方能良好配合的任务边界。

• 真正困难的是建立真实世界任务的评价标准，再让模型围绕它提升；这可能也是 OpenAI 等模型公司需要解决的核心问题。

32. 强化学习不能从一个无解的 base model 里凭空创造答案

• 闵可锐认为很多人低估了预训练的重要性。以 R1 论文中的 GRPO 为例，模型会随机生成 64 或 128 条路径，再从中强化能做对的路径。

• 如果难题尝试 128 次、甚至 1 万次都没有可用解，这套方法便不 work；强化学习能把“原来蒙 100 次”缩到两次或一次，却不能凭空创造基础模型从未到达的能力。

• 闵可锐把 Grok 3 视为成功：顶尖工程师配合最好的硬件，在相对短的时间里追上一线模型能力，证明“大力还是会出奇迹”。

• Llama 4 则说明资源、代码、数据和 GPU 配齐也不保证线性外推成功；算法、数据处理与团队执行仍会决定模型能否兑现资源。

33. 数据撞墙不等于技术迭代已经终止

• 原 scaling law 主要以文本 token 为基础；现在更现实的瓶颈可能是高质量数据，而不只是算力。多模态数据可能带来帮助，但已经不完全符合原有 scaling law 的定义和初始条件。

• 闵可锐把未来类比芯片制程：每次看似撞墙，顶尖团队又用浸润式光刻等迂回路径推进；这些突破艰难且不可提前线性预测。

• 对秘塔而言，宏观技术终局没那么重要。更直接的问题是，新一代模型把哪些能力从“不 work”解锁到“很好地 work”，并能否立即连接用户需求。

34. 编程与网页生成是最近半年最可用的新能力

• 闵可锐把 Claude 3.5 到 3.7 的代码能力视为显著解锁：一句话不仅能生成网站，还能在用户没有描述美学规则时交出“审美不错”的结果。

• 秘塔 AI 搜索 2025 年 3 月上线互动网页生成，正是沿着这一能力变化做产品；“今天学点啥”的代码和 HTML 生成也借用了现在较好的模型能力。

• Agent 同样受益于更长规划和自我纠错，成功率从个位数走到数十个百分点；但能力提供者是谁必须分清，精美结果可能主要是 Claude 的贡献。

35. 2020 年不押 GPT-3 应用，是合理判断而非明显误判

• 2020 年的 GPT-3 是 1750 亿参数 dense 模型；闵可锐估算，2025 年 DeepSeek 推理模型实际激活约 300 亿参数，极致优化后算力开销可能只有前者五分之一。

• 即使使用数代更新的 GPU，秘塔今天仍无法按 GPT-3 当年的规模对外服务；从创业公司的成本与变现角度，认为它像实验室产物非常合理。

• OpenAI 的特殊能力是用模型讲三至五年后的 scaling 和 AGI，再获得足够资源继续推进。闵可锐认为这超过普通创业者的能力，而不是一条可简单复制的经营路径。

36. 成本优化能救公司，却不一定能赢得用户

• 秘塔优化每次查询成本比大厂激进得多，有时能把资源压到对手的十分之一甚至百分之一；代价是应用模型时会更保守。

• 用户不会因为产品只花十分之一资源，就原谅 90 分与 95 分的差距。闵可锐承认，内部极有价值的成本工程，在外部视角里“没那么关键”。

• AI 搜索基本没有做付费，少量 B 端合作也尚不能覆盖推理成本；曼琪提到的 Manus 上线 14 天花掉 144 万美元 Claude token，则展示了另一种增长压力。

• 闵可锐认为，能避开大厂、找到足够大的利基市场当然更好，但真正困难的是如何避开。秘塔只能“摸着石头过河”，而“大厂可以摸着我们过河”。

37. 上一个产品被复制时，下一个必须已经出现

• 闵可锐不否认大厂模仿速度：凡是产品显出潜力，三个月内出现同款是高度确定的环境变量。

• 小团队的应对不是期待对手忽略自己，而是当对方开始复制上一个产品时，提前知道“你的下一个到底在哪”。

• 他把这再次类比光刻机：没人能预见十年后的全部路径，但至少应找到下一步；而下一个好想法往往藏在上一个产品的执行细节里。

38. 60 人组织的灵活性来自创始人亲自规划

• 秘塔约 60 人，较 2023 年初的 40 多人增长有限。组织显得灵活，主要因为闵可锐不需要通过正式机制说服许多人。

• 做“今天学点啥”时，他会把项目拆成 100 份，让不同的人分别领两三份；主持人形容他像 Agent 里负责规划的模型，其余团队承担执行。

• 理想状态是他只拆十份，再由十个人拆成 200 份，并在碰撞中产出超过其预期的结果；闵可锐承认，这种状态“从未出现过”。

• 现实中的好 idea 并不高频：“市面上绝大多数人的绝大多数 idea 都不够好。”若好想法如此密集，大厂便无需观察创业公司在做什么。

39. 招聘变难，因为秘塔想要的人也是巨头想要的人

• AI 热潮没有扩大秘塔可用的人才池，反而让招聘更困难；公司寻找的是“有一点 AGI 信仰，但不多”的人，而非直接与 DeepSeek、字节竞争的那类人。

• 闵可锐希望同事“有想法、有能力，并且 ego 不是太大”；更准确地说，是能力与 ego 匹配，避免想法很多但交付能力不足。

• 秘塔甚至遇到过一个从某个“小虎”出来的实习生：公司发出运营 offer 后，他回去加了一笔钱，又被原来的那家公司招回去了。最后的竞争常退化成“大家 PK 钱”。

• 他认可教授团队的优势：老师与学生共处两年，已了解能力边界并建立信任；公开市场里双方只聊两小时，候选人只能比较谁的饼和薪酬更好。

40. 闵可锐“不得不成为产品经理”，因为 AI 产品判断需要技术手感

• 他同时带产品和研发，也参与模型训练。王与桐认为，好的 AI 产品经理需要懂技术，而真正懂到足以去做基础模型的人很难转来做产品。

• 闵可锐的差别是，当最好的大模型在某任务上不 work 时，他会追问为什么、能否把它搞 work，而不是把“某模型不 work”直接当成能力边界。

• 他不做笔记，常在脑中构建产品；“今天学点啥”左侧翻书、右侧大纲的界面由他画草图，课后互动问题数量则可能一分钟拍板。

• 新同事很难一个月内接手他 50% 的细节。更现实的路径是长期配合，让基本水准在线的人逐步承担继续拆解的工作。

41. 市场节奏加快后，老板的耐心也被压缩了

• AI 冷周期里，秘塔可以把产品打磨到 ready 再发布，不必担心半途出现同类；如今市场随时变化，发布和迭代节奏明显加快。

• 闵可锐承认，早期同事得到的讲解更细、铺垫更多；现在他可能直接给结果，要求团队快速细化、推进。

• 但他不认为“全球一个月发布 20 个模型”的速度还能持续两三年。竞争可能没有大家想象得那么久，只是现在尚未看到明确时点。

42. 稳态不是停止增长，而是收入、支出与产品积累开始匹配

• 闵可锐定义的稳态，是用户和收入即使增幅不陡峭也能持续上升，收入与支出节奏匹配，同时产品能力不断垒高。

• 法律翻译和写作猫单看可以认为已经打平，但增长性不足；理想产品前两年最好继续翻倍，第三年仍有几十个百分点的增长。

• 秘塔在 ChatGPT 前曾做到公司整体 break even。若立即以盈利为目标，现在也可较快达到，只是需要牺牲一些东西。

• 当前策略仍是“该快速拿出来的东西就快速拿出来”，收入和盈利动态判断；若结果偏离预期，就回头找哪项前提不成立，再优化对应环节。

43. 闵可锐做得太多的是细节，做得太少的可能是融资

• 回看两年，他确定产品和研发投入很多，也怀疑自己在细节上投入过量；但对于哪些事情投入不足，他没有同样确定的答案，融资是曼琪提出的一个例子。

• 2024 年秘塔走红时，他没有接受大量投资人会面邀请。若把几个月都用于融资，金额和估值或许更好，但他仍问：“这件事真的值得吗？”

• 一级市场交流又高度依赖见面和“闻闻气味”，不能只靠 Agent 传递信息；因此它与产品研发争夺的是创始人的时间。

44. 创始人的成长不是更会讲故事，而是“所有方面更会了”

• 闵可锐对两年成长的总结是“我变得更会了”：工程技术、产品、细节和判断都因不得不亲自收拾而更精准。

• 他享受的成就感并非沉浸于单一岗位，而是先在半小时内构建一块产品拼图，再用三个月把它逐步做出来，并在执行中补上新拼图。

• AI 又放大了这种个人发动机：他可以兼做模型、产品、设计与技术实验，再由团队把计划执行出来；这种杠杆有效，却也让公司高度依赖创始人的单点输出。

• 他甚至认为，若没有秘塔，可以用两三个月训练有基础编程经验的人，使其有机会进入一线大模型团队；也许经过短期培养就能竞争年薪百万的岗位。但受众太窄、可能产生对抗效应，不适合成为当前主产品。

45. 2025 年的目标仍然是把手上的事做好、做快

• 闵可锐没有给出宏大年度叙事：先把现有产品“做好、做快一点”，再让团队里的年轻人不只执行，也变得“更会”。

• 他希望有能力、有想法且适配组织的人加入，让创始人不再需要无限输出；这比立刻扩到更大规模更重要。

• 融资不在明确目标清单里，答案仍是“顺其自然”。秘塔继续经营的依据不是笃定终局，而是每个阶段都比上个阶段做得更好，并守住可解释的基础价值。